Textural Hardness of Selected Ugandan Banana Cultivars under Different Processing Treatments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Textural hardness affects cooking time, processing, fuel used and the quality of cooked bananas. In this study, textural hardness of selected Ugandan cooking and juice banana cultivars at green maturity was determined using a Texture Analyzer in raw form and at 30, 50, 70, 90, 100 and 130 min in boiled, steamed, mashed and cooled forms.Raw juice bananas (JB) were significantly harder (36.17N to 42.43N) than raw cooking bananas (CB) (22.37N to 26.72N) (p<0.05). On cooking, JB were harder than CB irrespective of cooking method and time. Boiling and steaming rapidly decreased hardness of the bananas in the first 30 min and decreased slowly thereafter. Boiling produced softer bananas than steaming while mashing resulted in intermediate hardness. Amongst JB, Kayinja was significantly harder than Ndiizi and Kisubi in boiled and steamed forms (p<0.05). Hardness of CB was not significantly different (p>0.05) for all cooking treatments, but Kibuzi was consistently softer while Kazirakwe and Nakabululu were harder than other CB cultivars.Cooling significantly increased (p<0.05) hardness of bananas under all treatments with JB being harder in all cases. Mashed and steamed bananas were harder than boiled bananas when cooled. Bananas cooked longer had lower hardness regardless of cooking method.Overall, textural hardness decreases with cooking time regardless of cooking method. Boiled bananas are softer than mashed or steamed. Cooling increases hardness which follows first order kinetics. Therefore, bananas should either be boiled or steamed and mashed for softer texture and be eaten within 30 min of serving. Juice bananas should not be cooked because of the hard texture established in this study.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle